Redes neuronales convolucionales: filtros y visión artificial avanzada

Objetivo de una cámara utilizado para obtener imágenes digitales
Curso de Inteligencia Artificial · Unidad 16 de 24 · Secundaria, Bachillerato y FP · Tiempo orientativo: 2–3 sesiones de 55 minutos. Volver al índice del curso.
Objetivo de una cámara utilizado para obtener imágenes digitales
Fotografía: ShareGrid / Unsplash.

Antes de empezar: ¿cómo reconoce una red una forma en una fotografía?

En la unidad 10 aprendiste que una imagen está formada por píxeles y que un clasificador puede aprender a distinguir categorías. Ahora vamos a mirar un poco más dentro del sistema. Una red neuronal convolucional, o CNN, utiliza operaciones sobre pequeñas regiones de la imagen para detectar patrones. Al principio puede reconocer contrastes, bordes o texturas; las capas posteriores pueden combinar esos patrones en representaciones más complejas.

No es necesario dominar programación avanzada para seguir este capítulo. Trabajaremos con matrices pequeñas de ceros y unos, de modo que puedas hacer a mano la misma clase de multiplicaciones y sumas que se utiliza, a mayor escala, en estas redes.

Al finalizar podrás: explicar qué es un filtro; calcular una operación de convolución sencilla; interpretar un mapa de características; describir aplicaciones de las CNN y distinguir clasificación, detección y segmentación de imágenes.

16.1. Repaso: de una imagen a números

Un ordenador necesita representar la imagen mediante números. Una fotografía a color suele almacenar componentes de rojo, verde y azul para cada píxel, mientras que una imagen en escala de grises puede representarse con una sola intensidad por píxel. Para facilitar las cuentas utilizaremos imágenes binarias, en las que 0 representa blanco y 1 representa negro.

Fila Columna 1 Columna 2 Columna 3 Columna 4
1 0 0 0 0
2 0 1 0 1
3 0 0 1 0
4 0 1 0 1

Esta matriz de 4 × 4 píxeles es una imagen de ejemplo creada para esta unidad. En su zona inferior derecha se aprecia una X de 3 × 3. El objetivo es comprobar si un procedimiento matemático puede detectar esa forma sin que tengamos que mirarla.

16.2. Qué es un filtro o núcleo

Un filtro (también llamado kernel o núcleo) es una matriz pequeña de números que se aplica repetidamente sobre distintas zonas de la imagen. Un filtro puede responder con valores más altos cuando encuentra un patrón determinado. En una CNN real, los valores de muchos filtros se ajustan durante el entrenamiento, en lugar de escribirse a mano uno por uno.

Para detectar una X usaremos este filtro de 3 × 3:

Fila Posición 1 Posición 2 Posición 3
1 1 0 1
2 0 1 0
3 1 0 1

Si colocas el filtro sobre la imagen, los unos del filtro coincidirán con los puntos que forman una X. El valor calculado será mayor cuanto mejor coincidan los unos de esa región. Eso no significa que cualquier puntuación alta sea una X perfecta; es una medida numérica de coincidencia para el ejemplo.

16.3. Operación paso a paso sobre una región

El procedimiento didáctico que vamos a utilizar consiste en: a) tomar una ventana del mismo tamaño que el filtro; b) multiplicar cada número de la ventana por el valor situado en la misma posición del filtro; c) sumar los nueve productos. Repetimos la operación deslizando la ventana por la imagen.

Precisión técnica: la operación sin invertir el filtro se denomina estrictamente correlación cruzada, aunque las bibliotecas de aprendizaje profundo suelen llamarla «convolución». Es la operación habitual que se enseña al introducir capas convolucionales.

16.3.1. Primera ventana: esquina superior izquierda

Al colocar el filtro sobre las tres primeras filas y columnas obtenemos:

0 0 0
0 1 0
0 0 1

Multiplicamos elemento por elemento y sumamos. Como el filtro tiene unos en las esquinas y el centro, solo esos valores cuentan: 0 + 0 + 1 + 0 + 1 = 2. La salida de la primera posición es 2.

16.3.2. Segunda ventana: un paso a la derecha

Desplazamos el filtro una columna. La ventana es ahora:

0 0 0
1 0 1
0 1 0

Los valores situados en los cinco unos del filtro son todos cero. Resultado: 0.

16.3.3. Tercera y cuarta ventanas

El siguiente desplazamiento lleva el filtro a la esquina inferior izquierda, que también produce 0. En la esquina inferior derecha aparece exactamente este patrón:

1 0 1
0 1 0
1 0 1

Todos los unos del filtro coinciden: 1 + 1 + 1 + 1 + 1 = 5. Es la mayor respuesta posible de este ejemplo.

Ejemplo visual de la salida

Imagen 4 × 4 + filtro X de 3 × 3 → mapa de características 2 × 2

2005

La casilla de valor 5 señala la mayor coincidencia con el filtro propuesto.

16.4. El mapa de características resultante

Tras recorrer las cuatro posiciones de una imagen 4 × 4 con filtro 3 × 3, sin relleno en los bordes y avanzando un píxel en cada paso, obtenemos un mapa de salida de 2 × 2:

2 0
0 5

La zona con valor 5, abajo a la derecha, coincide con el lugar donde el filtro detecta más intensamente el patrón buscado. Así es como una operación numérica puede aportar información espacial a otra capa de la red. No hemos creado una CNN completa, sino una demostración de una de sus operaciones fundamentales.

Si el tamaño de entrada es 4, el filtro mide 3 y la ventana avanza de uno en uno, sin relleno, la dimensión de salida se calcula como 4 − 3 + 1 = 2 para cada dirección. En aplicaciones reales, los filtros tienen pesos que pueden ser negativos o decimales, se aplican sobre varias entradas y suelen combinarse con sesgos y funciones de activación.

16.5. Cómo aprenden los filtros de una CNN

En el experimento anterior, hemos elegido manualmente los números de un filtro con forma de X. En una red neuronal real se parte normalmente de parámetros iniciales y el entrenamiento modifica esos pesos para reducir errores sobre los ejemplos. Las primeras capas pueden responder a patrones simples; las posteriores combinan información y construyen representaciones útiles para la tarea.

No todas las redes ni todas las capas se comportan igual. La expresión «una capa detecta ojos y la siguiente caras» es solo una analogía; no podemos asignar siempre una interpretación humana clara a cada filtro. Tampoco debemos suponer que el modelo identifica las mismas características que utilizaríamos nosotros. En ocasiones puede basar una predicción en el fondo, el brillo o marcas espurias.

Esquema simplificado de una CNN: imagen de entrada → filtros y mapas de características → nuevas capas y combinación de patrones → representación final → clasificación o salida específica. Algunos modelos incorporan reducción espacial, normalización y otras operaciones; la arquitectura exacta depende del diseño.

16.6. Clasificar, detectar y segmentar

Las redes de visión pueden utilizarse para tareas diferentes. Clasificar consiste en asignar una categoría a la imagen; detectar identifica objetos y sus posiciones aproximadas; segmentar asigna categorías a regiones o píxeles para delimitar mejor las partes de la escena.

Tarea Pregunta que responde Ejemplo
Clasificación ¿Qué tipo de imagen es? «Hay un gato»
Detección ¿Dónde están los objetos? Recuadros alrededor de dos gatos
Segmentación ¿Qué píxeles corresponden a cada región? Máscara de cada gato y del fondo

Una aplicación puede combinar estas tareas con otras técnicas. Las CNN son una familia importante de modelos de visión, pero no todos los sistemas modernos de visión artificial se basan exclusivamente en convoluciones.

16.7. Aplicaciones y precauciones

En industria, una cámara puede ayudar a localizar defectos en productos; en ecología, a identificar especies; en agricultura, a analizar imágenes de cultivos; y en salud, a asistir en el análisis de imágenes con los controles clínicos necesarios. Cuando se enlazan sensores, cámaras y redes de comunicación, la visión artificial puede formar parte de un sistema IoT, pero IoT y visión artificial no son lo mismo.

El libro original describe una actividad de reconocimiento facial con un coche robótico específico. En nuestra adaptación, para que toda la clase pueda aprender sin comprar equipos, usaremos matrices y fotografías de objetos. Evitaremos usar rostros de alumnos: el reconocimiento biométrico introduce obligaciones de privacidad y riesgos que no son necesarios para entender las convoluciones.

Actividad 1. Calcula otro filtro a mano (25 minutos)

Utiliza la misma matriz de entrada de la sección 16.1, pero sustituye el filtro por uno que responda a una línea horizontal en su fila central:

0 0 0
1 1 1
0 0 0

Instrucciones: a) escribe las cuatro ventanas de 3 × 3; b) multiplica y suma los valores de cada posición; c) dibuja el mapa de salida 2 × 2; d) compara qué filtro da una respuesta mayor en la esquina inferior derecha y explica el motivo. La respuesta debe mostrar las operaciones, no solo el resultado.

Actividad 2. Hoja de cálculo: filtros sin programar (40 minutos)

Copia la matriz 4 × 4 de la sección 16.1 en cuatro filas y cuatro columnas de Excel o LibreOffice Calc, por ejemplo en B2:E5. Copia el filtro de la X en G2:I4. En una zona libre, calcula la suma de productos de cada ventana mediante multiplicaciones o una función equivalente a SUMAPRODUCTO (el nombre varía según el idioma y aplicación). Construye el mapa de salida y compáralo con 2, 0, 0 y 5. Después modifica un píxel de la imagen y analiza cómo cambia el mapa.

Producto: captura con matriz inicial, filtro, cuatro resultados y una conclusión sobre la sensibilidad al cambio de un píxel.

Actividad 3. ¿Qué ve realmente el sistema? (25 minutos)

Imagina un clasificador de vehículos entrenado casi siempre con coches fotografiados de día. Diseña cinco pruebas nuevas: lluvia, noche, coche parcialmente oculto, fondo distinto y vehículo de otro tipo. Explica para cada caso qué error podría aparecer y cómo lo detectarías. Indica al menos una medida de mejora de datos y otra de evaluación. No es necesario usar fotografías de matrículas ni de personas.

Comprueba lo aprendido

  1. ¿Qué es un filtro y sobre qué parte de la imagen se aplica?
  2. ¿Por qué la salida de nuestra imagen 4 × 4 y un filtro 3 × 3 tiene tamaño 2 × 2?
  3. ¿Qué significa el valor 5 del mapa de características del ejemplo?
  4. ¿En qué se diferencia escoger manualmente un filtro de entrenar una CNN?
  5. Distingue clasificación, detección y segmentación con un ejemplo de cada tarea.

En resumen

Una CNN aplica filtros a pequeñas regiones para obtener mapas de características. Esas operaciones permiten extraer patrones numéricos útiles para distinguir imágenes o localizar objetos. En los modelos reales, los filtros suelen aprenderse a partir de datos y deben evaluarse con ejemplos diferentes de los utilizados en el entrenamiento.

Fuentes y créditos